STATISTIKA TERAPAN

REGRESI NON LINEAR

KELOMPOK 4
Syahriani
Lia angriani
Fatimah Ahmad

UNIVERSITAS NEGERI MAKASSAR

2013/2014
REGRESI NON LINEAR

Regresi nonlinear adalah suatu metode untuk mendapatkan model linear yang
menyatakan hubungan variable dependen (Y) dan independen(X). Tidak seperti
regresi linear, yang dibatasi oleh waktu menaksir/ meramal, regresi non linear
dapat mengistemasi model hubungan variable dependen dan independen dalam
bentuk non linear dengan keakuratan yang baik.

Untuk regresi sederhana, regresi yang melibatkan satu peubah tak bebas (Y) dan
satu peubah bebas (X), kelinearan Ŷ = 𝑎 + 𝑏𝑋 diyakinkan melalui pengujian
hipotesis jika hipotesis linear diterima, kita yakin hingga tingkat keyakinan
tertentu, bahwa regresi itu bentuknya linear tidak diragukan. Namun, apabila
ternyata hipoteis linear ditolak, maka regresi linear tidak cocok untuk digunakan
dalam mengambil kesimpulan dan karenanya perlu meningkat pada pencarian
regresi non linear atau lengkung.

A. MODEL POLINOM
Model polinom dinyatakan dalam bentuk umum:
𝑦 = 𝑐0 + 𝑐1 𝑥 + 𝑐2 𝑥 2 + ⋯ + 𝑐𝑘 𝑥 𝑘 ,
dimana 𝑐𝑖 , 𝑖 = 0,1,2, … , 𝑘 (bilangan bulat positif) adalah konstanta.
1. Model Polinom Derajat Dua
Sebagaimana kita ketahui bahwa model polinom mempunyai hanya
satu peubah dasar,yaitu x. untuk k=1, kita memperoleh model regresi
linear sederhana (garis lurus). polinom derajat dua, yaitu k=2
mempunyai model kuadratik (parabola) dengan bentuk umum:
𝑦 = 𝑐0 + 𝑐1 𝑥 + 𝑐2 𝑥 2
Dari model diatas, dapat ditulis model statistis parabola dalam
bentuk:
𝜇 = 𝛽0 + 𝛽1 𝑋 + 𝛽2 𝑋 2
𝑌⃒ 𝑋
 dengan persamaan ini, huruf besar Y dan X menunjukkan peubah
statistis; 𝛽0 , 𝛽1 , dan 𝛽2 menyatakan parameter yang tidak diketahui
dan disebut koefisien regresi; 𝜇 menyatakan rerata Y dan X yang
𝑌⃒ 𝑋

diberikan.
Jadi, taksiran untuk model parabola kuadratik dapat ditulis dengan:
Ŷ = 𝑏0 + 𝑏1 𝑋 + 𝑏2 𝑋 2 ,

dengan koefisien-koefisien 𝑏𝑜 , 𝑏1 , dan 𝑏2 ditentukan berdasarkan data

hasil pengamatan. Jika (𝑥𝑖, 𝑦1 ), 𝑖 = 1,2, … , 𝑛 menyatakan data hasil
pengamatan data hasil pengamatan dalam sebuah sampel berukuran
n, metode kuadratik terkecil memberikan nilai-nilai 𝑏𝑜 𝑎, 𝑏1 , dan 𝑏2
dengan cara menyelesaikan persamaan normal berikut

𝒏 𝒏 𝒏
𝟐
𝒏 𝒃 𝟎 + 𝒃 𝟏 ∑ 𝒙 𝒊 + 𝒃 𝟐 ∑ 𝒙 𝒊 = ∑ 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

𝒏 𝒏 𝒏 𝒏
𝟐 𝟑
𝒃 𝟎 ∑ 𝒙 𝒊 + 𝒃 𝟏 ∑ 𝒙 𝒊 + 𝒃 𝟐 ∑ 𝒙 𝒊 = ∑ 𝒙 𝒊 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏
𝒏 𝒏 𝒏 𝒏

𝒃 𝟎 ∑ 𝒙 𝒊 𝟐 + 𝒃 𝟏 ∑ 𝒙 𝒊 𝟑 + ∑ 𝒙 𝒊 𝟒 = ∑ 𝒙 𝒊 𝟐 𝒚𝒊
𝒊=𝟏 𝒊=𝟏 𝒊=𝟏 𝒊=𝟏

“Persamaan 1”

Contoh:

Seorang peneliti ingin mengetahui hubungan antara dosis oba tertentu (X) dengan
kadar Creatinin Ginjal (Y) kelinci percobaan, dari hasil peneitiannya diperoleh hasil
sebagai berikut :

Dosis Kadar
No. Obat Creatin
1 1 10
2 2 13
 3 3 15
4 4 20
5 5 16
6 7 11
7 3 14
8 2 12
9 4 21
10 6 17
11 7 10
12 8 7
13 8 6
14 1 11
15 3 16

jawab:

Kita tentukan dulu nilai yang perlu untuk regresi polinom berderajat dua,
yaitu:

Dosis Kadar
No. Obat (X) Creatin (Y) X^2 X^3 X^4 XY X^2Y
1 1 10 1 1 1 10 10
2 2 13 4 8 16 26 52
3 3 15 9 27 81 45 135
4 4 20 16 64 256 80 320
5 5 16 25 125 625 80 400
6 7 11 49 343 2401 77 539
7 3 14 9 27 81 42 126
8 2 12 4 8 16 24 48
9 4 21 16 64 256 84 336
10 6 17 36 216 1296 102 612
11 7 10 49 343 2401 70 490
12 8 7 64 512 4096 56 448
13 8 6 64 512 4096 48 384
14 1 11 1 1 1 11 11
15 3 16 9 27 81 48 144
15 64 199 356 2278 15704 803 4055

dari table diatas kita memperoleh persamaan normal:

 𝟏𝟓 𝒃𝟎 + 𝟔𝟒𝒃𝟏 + 𝟑𝟓𝟔𝒃𝟐 = 𝟏𝟗𝟗

𝟔𝟒𝒃𝟎 + 𝟑𝟓𝟔𝒃𝟏 + 𝟐𝟐𝟕𝟖𝒃𝟐 = 𝟖𝟎𝟑

𝟑𝟓𝟔𝒃𝟎 + 𝟐𝟐𝟕𝟖𝒃𝟏 + 𝟏𝟓𝟕𝟎𝟒𝒃𝟐 = 𝟒𝟎𝟓𝟓

Setelah persamaan simultan ini diselesaikan, diperoleh 𝑏0 = 3.36313428, 𝑏1 =

6.77798872, dan 𝑏2 = −0.8012312, sehingga persamaan regresi parabola dapat
ditulis:

Ŷ = 3.36313428 + 6.77798872𝑋− 0.8012312𝑋 2

Untuk menentukan apakah regresi kuadratik signifikan, kita memerlukan uji
hipotesis nol, H0: Regresi dengan suku-suku X dan X2 tidak signifikan (yaitu
β1 = β2 = 0 ). Prosedur penguji untuk hipotesis nol ini menggunakan uji F
dengan menghitung

𝑅𝐽𝐾𝑟𝑒𝑔𝑟𝑒𝑠𝑖 𝑅𝐽𝐾𝑅
𝐹= =
𝑅𝐽𝐾𝑘𝑒𝑠𝑎𝑙𝑎ℎ𝑎𝑛 𝑅𝐽𝐾𝐾

Dimana RJK adalah rata-rata jumlah kuadrat, atau jumlah kuadrat (JK) dibagi
dengan derajat kebebasan (dk) yang bersangkutan, sehingga RJKR menyatakan
rata-rata jumlah kuadrat kesalahan. Untuk membandingkan nilai statistik F dengan
nilai krisis yang sesuai dari distribusi F, digunakan nilai tabel yang (dalam contoh
ini) mempunyai dk pembilang 2 dan dk penyebut 5. Jika nilai statistik F lebih besar
daripada nilai F tabel, maka pengujian signifikan dan H0 ditolak. Akan tetapi
dengan perhitungan komputer, nilai tabel distribusi F tidak diperlukan karena nilai
statistika F yang diperoleh disertai dengan nilai peluang P(F > F hitung ) yang bisa
disebut nilai p. Jika nilai p inilebih kecil daripada nilai taraf signifikansi yang
ditentukan, maka pengujian signifikan

Perhitungan dengan Aplikasi SPSS

Ketik X dan Y pada kolom Name, ketik Disis Obat (X) dan Kadar Kreatinin (Y) pada
kolopm Label, lalu Klik Data View, maka muncul Gambar

Setelah selesai menyalin data, lalu Klik Graph, pilih► Legacy Dialogs, klik ScatterDot,
pilih Simple Scatter, klik Define, maka muncul Gambar
Klik Kadar Kreatinin (Y), kemudian pindahkan dengan tadana ►ke Y Axis

Klik Dosis Obat (X), kemudian pindahkan dengan tadana ►ke X Axis

Klik OK, maka diperoleh hasil sebagai berikut :

Hasil plot data menunjukkan bahwa kemungkinan persamaan garis regresi berbentuk
kuiadrartik yaitu : Y = β0 + β1X + β2X2 , maka persamaan dapat dicari sebagai berikut :
Kembali ke Gambar sebelumnya, klik Tranform, lalu klik lagi Compute Variable, maka
muncul Gambar
Ketik XX pada Target Variable dan ketik X**2 pada Numerik Expression, klik OK,
maka muncul Gambar

Klik Analyze, pilih Regression ►klik Linear, maka muncul Gambar

Klik Kadar Kreatinin(Y), pindahkan dengan tanda ►ke Dependent

Dosis Obat (X), pindahkan dengan tanda ►ke Indeependent(s)

XX, pindahkan dengan tanda ►ke Indeependent(s)

Klik OK maka diperoleh hasil sebagai berikut :

Regression

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .921a .848 .822 1.826

a. Predictors: (Constant), XX, Dosis Obat

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression 222.930 2 111.465 33.436 .000b

1 Residual 40.004 12 3.334

Total 262.933 14

a. Dependent Variable: Kadar Creatin

b. Predictors: (Constant), XX, Dosis Obat
 Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 3.363 1.870 1.798 .097

1 Dosis Obat 6.778 .974 3.807 6.959 .000

XX -.801 .104 -4.209 -7.694 .000

a. Dependent Variable: Kadar Creatin

Kesimpulan :
- Koefisien korelasinya ( R ) = 0,921

- Bentuk hubungannya atau persamaan garis regresinya sangat nyata (P<0,01), lihat sig
pada ANOVA .000

- Persamaan garis regresinya 𝑌 = 3.363 + 6.778𝑋 – 0,801𝑋 2 , lihat nilai B pada

table Coefisient.

Setelah persamaan garis regresi dianggap sesuai dengan yang kita inginkan, maka kita
bisa menggambar persamaan tersebut, dengan cara sebagai berikut

hapus atau kosongkan angka-angka yang ada pada kolom X dan Y, kemudian ketik
angka 0 sampai dengan angka 8 pada kolom X. Klik transform, kemudian klik lagi
Compute Variable, maka muncul Gambar
Ketik Y pada Target Varable dan ketik 3.363 + 6.778*X – 0.801*X**2 Numeric
Expression, klik Ok, mka diperoleh Gambar

Klik Graph, pilih Legacy Dialog, ►klik Line, pilih Simple, lalu klik Define, maka muncul
Gambar
Klik Other statistic (e.g mean)

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ►ke Variable

Klik Dosis Obat (X), pindahkan dengan tanda ►ke Category Axis

Klik OK, maka diperoleh hasil sebagai berikut :

Graph
atau bisa dengan cara lain:

Klik Analyze, pilih Regression ►klik Curve Estimation, maka muncul Gambar:
Klik Dosis Obat (X), pindahkan dengan tandan ►ke kotak Variable

Klik Kadar Kreatinin (Y), pindahkan dengan tanda ►ke kotak Dependent(s)

Berikan tanda V pada kotak Quadratic dan kotak Display ANOVA table.

Klik OK, maka diperoleh hasil sebagai berikut :

Quadratic

Model Summary

R R Square Adjusted R Std. Error of the

Square Estimate

.921 .848 .822 1.826

The independent variable is Dosis Obat.

ANOVA

Sum of Squares df Mean Square F Sig.

Regression 222.930 2 111.465 33.436 .000

Residual 40.004 12 3.334
Total 262.933 14

The independent variable is Dosis Obat.

Coefficients

Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

Dosis Obat 6.778 .974 3.807 6.959 .000

Dosis Obat ** 2 -.801 .104 -4.209 -7.694 .000
(Constant) 3.363 1.870 1.798 .097
 3. Model Polinom Berderajat Tiga (Kubic)
Persamaan umum untuk perkiraan model ini adalah:

Ŷ = 𝑎 + 𝑏𝑋 + 𝑐𝑋 2 + 𝑑𝑋 3

dengan koefisien a, b, c dan d dihitung dari data hasil pengamatan. system

persamaan yang harus diselesaikan untuk menentukan a, b,c, da d adalah:

∑ 𝑌𝑖 = 𝑛𝑎 + 𝑏 ∑ 𝑋𝑖 + 𝑐 ∑ 𝑋𝑖 2 + 𝑑 ∑ 𝑋𝑖 3

∑ 𝑋𝑖 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 + 𝑏 ∑ 𝑋𝑖 2 + 𝑐 ∑ 𝑋𝑖 3 + 𝑑 ∑ 𝑋𝑖 4

∑ 𝑋𝑖 2 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 2 + 𝑏 ∑ 𝑋𝑖 3 + 𝑐 ∑ 𝑋𝑖 4 + 𝑑 ∑ 𝑋𝑖 5
 ∑ 𝑋𝑖 3 𝑌𝑖 = 𝑎 ∑ 𝑋𝑖 3 + 𝑏 ∑ 𝑋𝑖 4 + 𝑐 ∑ 𝑋𝑖 5 + 𝑏 ∑ 𝑋𝑖 6

Persamaan-persamaan di atas dapat diselesaikan secara serentak dengan

menggunakan metode eliminasi, juga dengan metode Cramer.

4. Model Derajat Lebih Tinggi (Polinom Pangkat k)

Kita sudah melihat cara ide-ide dasar regresi ganda dapat diterapkan untuk
membentuk dan menguji model kuadratik dan kubik.metode yang sama
digunakan untuk semua model polinon derajat lebih tinggi.namun,beberapa isu
terkait perlu didiskusikan : yakni penggunaan polinom ortogonal dan strategi
untuk memilih sebuah model polinom.

Dengan memperhatikan contoh diatas, dapat disimpulkan bahwa makin

tinggi pagkat polinom, makin bnayak persamaan yang harus diselesaikan dan
makin tinggi pula pangkat untuk X. Ini tentu saja mengundang kita untuk
menggunakan alat hitung yang lebih tinggi kemampuannya.
5. Uji Tuna Cocok
Andaikan bahwa sebuah model polinom sudah dibentuk dan taksiran-taksiran
koefisien regresinya diuji untuk signifikansi. Bagimana seseorang dapat meyakini
bahwa sebuah model dari derajat lebih tinggi dari derajat tertinggi yang diuji
tampaknya tidak diperlukan? Uji Tuna Cocok dapat digunakan untuk pertanyaan
ini. Secara koseptual, uji Tuna Cocok menyangkut evaluasi dari sebuah model yang
lebih rumit dari pada yang dipertimbangakan sebelumnya. Secara historis, istilah
tersebut kadang-kadang digunakan untuk menjelaskan prosedur klasik. Uji Tuna
Cocok klasik dapat digunakan hanya kalau pada pengulangan pengamatan.
Dengan istilah ulangan, kita maksudkan bahwa satuan eksperimen (subjek)
mempunyai nilai X yang sama dengan satuan eksperimen yang lain.
 6. Strategi Penentuan Model Polinom
Model polinom, kadang-kadang memulai dengan model terkecil, melibatkan
hanya satu satu suku linear, dan secara berurutan menambahkan suku-suku X
yang pangkatnya meningkat. Prosedur ini adalah sebuah strategi pembuatan
model seleksi maju.

Dengan strategi seleksi maju, seseorang biasanya menguji pentingnya sebuah

calon peubah peramal(predictor) dengan membandingkan jumlah kuadrat ekstra
regresi untuk tambahan peramal itu terhadap rerata kuadrat sisaan (residual
mean square). Rerata kuadrat sisaan ini berdasarkan pada penentuan sebuah
model yang memuat calon peubah(peramal) dean peubah-peubah yang tidak ada
di dalam model. Statistik F parsial yang sesuai dalam bentuk

𝐽𝐾 (𝑋 𝑡 𝑋, 𝑋 2 , … , 𝑋 𝑡−1 )
𝐹 (𝑋 𝑡 𝑋, 𝑋 2 , … , 𝑋 𝑡−1 ) = 1
𝑅𝐽𝐾𝑠𝑖𝑎𝑠𝑎𝑎𝑛 (𝑋, 𝑋 2 , … , 𝑋𝑡−1 )

Pendekatan uji seleksi maju yang dijelaskan di atas dapat membawa pada
pelemahan (underfitting) data, yakni algoritma seleksi maju tampaknya berhenti
terlalu cepat, sehinnga memilki model dengan derjat lebih rendah daripada yang
sesungguhnya diperlukan.

Bias ini dapat dihindari dengan menggunakan strategi seleksi mundur, dimana uji
F pada setiap langkah mundur selalu melibatkan rata-rata kuadrat kesalahan
untuk model penuh (atau terbesar) yang dibentuk. Akan tetapi, ketika
menggunakan pendeketan eliminasi mundur, itu mungkin menguatkan (overfit)
data, (yakni memilih sebuah model akhir yang sedikit lebih tinggi daripada yang
diperlukan). Untungnya, taksiran rata-rata kuadrat sisa dari model penuh masih
merupakan taksiran sahih (unbiased). Akibatnya, menggunakan taksiran ini pada
penyebut uji F parsial pada setiap langkah mundurakan tetap menjadi prosedur
sahih. Apa yang hilang dengan sedikit mengangkat data adalah suatu kuasa
statistis (statistical power), akan tetapi kehilangan ini biasanya diabaikan.
Jadi, untuk menetapkanm model polinom, kita umumnya merekomendasikan
strategi eliminasi mundur untuk memilih peubah, dan menggunakan dalam semua
uji F parsial taksiran rata-rata kuadrat kesalahan berdasarkan pada model polinom
derajat tertinggi. Jika mengimplementasikan startegi ini,kita rekomendasikan
pertama, memilih model derajat tiga atau lebih rendah untuk menyederhanakan
interpretasi dan meningkatkan kecermatan perhitungan. Kedua, lakukan seleksi
mundur dalam bentuk bertahap mulai dari suku derajat tertinggi, seseorang harus
secara berturut-turut menghilangkan suku-suku yang tidak signifikan, berhenti
pada suku dengan derajat yang pertama signifikan. Suku ini dan semua suku
dengan derajat lebih rendah harus dipertahankan dalam model akhir. Ketiga,
lakukan uji F parsial-ganda untuk tuna cocok. Keempat, metode analisis sisaan
harus digunakan, seperti dengan semua pendekatan regresi.

B. MODEL EKSPONEN

Model eksponen adalah salah satu model yang juga banyak digunakan apabila
situasi tidak memungkinkan model linear atau polinom. Perkiraan untuk model ini
, yang persamaannya adalah:

Ŷ = 𝑎𝑏 𝑋

ternyata dapat dikembalikan kepada model linier apabila diambil logaritmanya.

Dalam logaritma persamaannya menjadi:

log log Ŷ = log 𝑎 + (log 𝑏)𝑋

apabila diambil Ŷ′ = log Ŷ, 𝑎′ = log 𝑎 dan 𝑏’ = log 𝑏, maka diperoleh model

Ŷ′ = 𝑎′ + 𝑏 ′ 𝑋
dan ini adalah model linier. Dengan menggunakan rumus koefisien regresi linear
sederhana, a* dan b* dapat dihitung , dan selanjutnya a dan b dapat ditentukan.
Dalam bentuk logaritma, a dan b dapat dicari dengan rumus:

Σ log 𝑌𝑖 ΣX𝑖
log 𝑎 = − (log 𝑏) ( )
𝑛 𝑛

𝑛(Σ𝑋𝑖 log 𝑌𝑖 ) − (Σ𝑋𝑖 )(Σ log 𝑌𝑖 )

log 𝑏 =
𝑛Σ𝑋𝑖 2 − (Σ𝑋𝑖 )2

Model eksponen tersebut sering pula disebut model pertumbuhan karena

sering banyak digunakan dalam menganaliss data sebagai hasil pengamatan
mengenai gejala yang sifatnya tumbuh. Dalam hal ini, modelnya diubah sedikit dan
persamaannya menjadi: Ŷ = a𝑒 𝑏𝑥 , dengan e= bilangan pokok logaritma alam,
yang nilainya hingga empat decimal adalah 2,7183.

Penyelesaian model ini dilakukan dengan mengambil logaritma natural, sehingga

menjadi:

ln Ŷ = ln 𝑎 + 𝑏𝑋

Logaritma biasa juga dapat digunakan, tetapi persamaan regresinya menjadi:

log Ŷ = log 𝑎 + 0,4343𝑏𝑋

CONTOH:

Seoarang peneliti ingin mengetahui pertumbuhan paru-paru itik Bali, untuk tujuan
tersebut dipelihara 20 ekor itik. Itik tersebut dipotong masing-masing 5 ekor pada
minggu ke 0, 2, 4 dan 6 dan kemudian diambil paru-parunya lalu dilakukan
penimbangan.

Umur Berat Paru-

Ulangan
(Minggu) (X) Paru (Y)
1 35
0
2 25
 3 34
4 49
5 45
1 115
2 128
2 3 101
4 95
5 130
1 310
2 310
4 3 305
4 305
5 320
1 980
2 880
6 3 1010
4 985
5 1025

jawab:
ln Ŷ = ln 𝑎 + 𝑏𝑋
𝑛(Σ𝑋𝑖 ln 𝑌𝑖 ) − (Σ𝑋𝑖 )(Σ ln 𝑌𝑖 )
ln b =
𝑛Σ𝑋𝑖 2 − (Σ𝑋𝑖 )2
20(368.457) − (60)(104.7249)
=
20(280) − (60)2
= 0.542822

Σ ln 𝑌𝑖 ΣX𝑖
ln 𝑎 = − (ln 𝑏) ( )
𝑛 𝑛
104.7249 60
= − (0.5428)( )
𝑛 20
= 3.60778

𝑎 = 𝑒 3.06778
= 36.88497
jadi, Ŷ = 36.89𝑒 𝑜.52282𝑋

Aplikasi dengan SPSS

Sebelum kita menentukan persamaannya, kita buat dulu plot datanya
Klik Graphs, pilih Legacy Dialogs, lalu pilih dan klik Scatter/Dot, kemudian klik
simple Scatter, dan klik juga Define, maka muncul Gambar :
Klik Berat paru-paru (Gram)Itik [Y] pindahkan dengan tanda►ke Y Axis
Klik Umur(Minggu)[X] pindahkan dengan tanda ►ke X axis, lalu klik Ok
maka diperoleh gambar sebagai berikut :
Dari plot data tersebut maka persamaan garisnya diduga : Ŷ = a𝑒 𝑏𝑥 atau dalam bentuk

linier ln Ŷ = ln 𝑎 + 𝑏𝑋

Lakukan tranformasi Ln terhadap Y, dengan cara :Klik Transform, pilih Compute Variable,
maka muncul Gambar
Klik All pada Function group Klik Ln pada Functions and Special Variables,
lalu pindahkan dengan tanda ▲ke Numeric Expression. Ketik LnY pada
Target Variable dan ketik atau pindahkan Y Berat Paru-paru (Gram) Itik ke
dalam tanda kurung LN pada Numeric Expression, lalu klik OK, maka
diperoleh Gambar
Klik Variable View lengkapi kolom Label dengan Ln Berat Paru-paru (Gram)
itik.
Klik Analyse, lalu pilih Regression kemudian klik Linear, maka muncul
Gambar
Klik Ln Berat Paru-paru (Gram) Itik [LnY], pindahkan dengan tanda ►ke
kotak Dependent. Klik Umur (Minggu)[X], pindahkan dengan tanda ►ke
kotak Independent (s), lalu kelik OK, maka diperoleh hasil analisis
Jadi : 𝑳𝒏 𝒂 = 𝟑. 𝟔𝟎𝟖, maka 𝑎 = 𝑒 3,608 = 36,892 , jadi 𝑌 =
36,892𝑒 0,543𝑋
Grafik dari persamaan regresi 𝑌 = 36,892𝑒 0,543𝑋 dapat di gambar
dengan cara sebagai berikut : Kita kembali ke Gambar 4.1.3., ganti nilai X
dengan angka 0 sampai dengan angka 6, sedangkan pada kolom Y
dikosongkan dulu (nilainya dihapus).
Klik transform, lalu klik Compute Variable, mka muncul Gambar 4.1.9, ketik
Y pada Target Variable dan ketik 36.892*2.71828**(0.54*X) pada Numeric
Expression, lalu klik OK, Gambar dilengkapi pada kolom Y nya.

Klik Graph, pilih Legacy Dialog, klik Line, klik Simple, klik Difine, maka
muncul Gambar
 C. MODEL GEOMETRIS

Seperti halnya model eksponen, maka model geometri juga dapat dikembalikan
pada model linier. Persamaan umum model ini di taksir oleh bentuk:

Ŷ = 𝑎𝑋 𝑏

jika diambil logaritmanya, maka:

log Ŷ = log 𝑎 + 𝑏 log 𝑋

dan ini merupakan model linear dalam 𝑙𝑜𝑔 𝑋 dan 𝑙𝑜𝑔 𝑌. Koefisien koefisien a dan
b dapat dicari dari:

Σ log 𝑌𝑖 Σ log 𝑋𝑖
log 𝑎 = −𝑏
𝑛 𝑛
 𝑛(Σ log 𝑋𝑖 log 𝑌𝑖 ) − (Σ log 𝑋𝑖 )(Σ log 𝑌𝑖 )
𝑏=
𝑛(Σ log 2 𝑋𝑖 ) − (Σ log 𝑋𝑖 )2

Sebagai contoh model geometris kita perhatikan data sebagai berikut :

x y
20 150
35 125
60 105
100 100
150 92
300 97
500 97
800 62
1200 58
1300 40
1500 38
1600 35
manualnya:

pertama-tama kita perhatika nilai-nilai yang perlu untuk menghitung a dan b pada
model ini.

x y log X log Y log X log Y log^2 X

20 150 1.301029996 2.176091259 2.831160001 1.69267905
35 125 1.544068044 2.096910013 3.237771743 2.384146126
60 105 1.77815125 2.021189299 3.593980279 3.161821869
100 100 2 2 4 4
150 92 2.176091259 1.963787827 4.273381526 4.735373168
300 97 2.477121255 1.986771734 4.921474491 6.136129711
500 97 2.698970004 1.986771734 5.362237316 7.284439084
800 62 2.903089987 1.792391689 5.203474367 8.427931473
1200 58 3.079181246 1.763427994 5.429914407 9.481357146
1300 40 3.113943352 1.602059991 4.98872406 9.696643201
1500 38 3.176091259 1.579783597 5.017536872 10.08755569
1600 35 3.204119983 1.544068044 4.947379275 10.26638486
7565 999 29.45185764 22.51325318 53.80703434 77.35446138
 𝑛(Σ log 𝑋𝑖 log 𝑌𝑖 ) − (Σ log 𝑋𝑖 )(Σ log 𝑌𝑖 )
𝑏=
𝑛(Σ log 2 𝑋𝑖 ) − (Σ log 𝑋𝑖 )2

12(53.807) − (29.4518)(22.513)
=
12(77.354) − (29.4518)2

645.6844 − 663.0571
=
928.2535 − 867.4117

−17.3727
=
60.841

= −0.28554

Σ log 𝑌𝑖 Σ log 𝑋𝑖
log 𝑎 = −𝑏
𝑛 𝑛

= 1.8761 − (−0.28554)(2.45432)

= 2.576911

Aplikasi SPSS

Pertama-tama kit agambar dulu Scatter Plotnya:

klik Tranform, lalu klik lagi Compute Variable, maka muncul
Gambar
 begitu juga untuk log Y, lakukan kegiatan seperti diatas
Klik Analyze, pilih Regression ►klik Linear, maka muncul Gambar berikut:

Klik Y, pindahkan dengan tanda ►ke Dependent

Klik X, pindahkan dengan tanda ►ke Indeependent(s)

Klik OK maka diperoleh hasil sebagai berikut :

Regression
 Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .909a .826 .809 .093169

a. Predictors: (Constant), LogX

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression .413 1 .413 47.622 .000b

1 Residual .087 10 .009

Total .500 11

a. Dependent Variable: LogY

b. Predictors: (Constant), LogX

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

(Constant) 2.577 .105 24.529 .000
1
LogX -.286 .041 -.909 -6.901 .000

a. Dependent Variable: LogY

Jadi persamaan garis regresinya adalah : log Ŷ = 2.577 − 0.286 log 𝑋, atau Ŷ =
377.495𝑋 −0.286 Setelah persamaan garis regresi dianggap sesui dengan yang kita
inginkan, maka kita bisa menggambar persamaan tersebut, dengan cara sebagai
berikut :

Buka data baru, ketik X dan Y, kemudian di view isi X dari 1- 12, kosongkan Y. Klik
Tranform, lalu klik lagi Compute Variable, maka muncul Gambar berikut
Maka diperoleh hasil seperti pada Gambar

Klik Graph, pilih Legacy Dialog, ►klik Line, pilih Simple, lalu klik Define, maka muncul
Gambar berikut
Klik Other statistic (eg, mean), lalu klik Y, lalu pindahkan ke kotak Variable. Klik X, lalu
pindahkan ke Category Axis, klik OK, maka diperoleh hasil sebagai berikut

Graph
 D. MODEL LOGISTIK

Bentuk yang paling sederhana model logistic dapat ditaksir oleh:

1
Ŷ=
𝑎𝑏 𝑋
1
Untuk Ŷ yang tidak sama dengan nol, bentuk diatas dapat pula ditulis sebagai Ŷ =

𝑎𝑏 𝑋

jika diambil logaritmanya, maka didapat:

log Y = −log 𝑎 + (−log 𝑏) 𝑋

Koefisien-koefisien a dan b dapat dicari dengan menggunakan

Σ log 𝑌 Σ X𝑖
−log 𝑎 = + (− log 𝑏) ( )
𝑛 𝑛

𝑛(Σ𝑋𝑖 log Y) − (Σ𝑋𝑖 )(Σ log Y)

−log 𝑏 =
𝑛Σ𝑋𝑖 2 − (Σ𝑋𝑖 )2

Sebagai contoh Data penjualan suatu produk dari mulai diproduksi sampai produk
tersebut berumur 24 bulan (2 tahun) serta keuntungannya adalah sebagai berikut:
Bulan Keuntungan
(X) (Y)
1 150
2 270
3 480
4 750
5 1350
6 2310
7 3625
8 5390
9 9950
10 15510
11 26500
12 40350
13 77510
14 111950
 15 165300
16 311600
17 627480
18 804250
19 1540980
20 2314250
21 3923250
22 6010500
23 12334230
24 15975210
300 44303145
jawab:

Untuk mentransformasikan persamaan regresi non linear logistik dalam bentuk linier,
maka diperlukan nilai – nilai sebagai berikut:

Bulan Keuntungan
(X) (Y) log y X^2 X*Log Y
1 150 2.176091 1 2.176091
2 270 2.431364 4 4.862728
3 480 2.681241 9 8.043724
4 750 2.875061 16 11.50025
5 1350 3.130334 25 15.65167
6 2310 3.363612 36 20.18167
7 3625 3.559308 49 24.91516
8 5390 3.731589 64 29.85271
9 9950 3.997823 81 35.98041
10 15510 4.190612 100 41.90612
11 26500 4.423246 121 48.6557
12 40350 4.605844 144 55.27012
13 77510 4.889358 169 63.56165
14 111950 5.049024 196 70.68634
15 165300 5.218273 225 78.27409
16 311600 5.493597 256 87.89756
17 627480 5.7976 289 98.5592
18 804250 5.905391 324 106.297
19 1540980 6.187797 361 117.5681
20 2314250 6.36441 400 127.2882
21 3923250 6.593646 441 138.4666
22 6010500 6.778911 484 149.136
23 12334230 7.091112 529 163.0956
 24 15975210 7.203447 576 172.8827
300 44303145 113.7387 4900 1672.709

𝑛(Σ𝑋𝑖 log Y) − (Σ𝑋𝑖 )(Σ log Y)

−log 𝑏 =
𝑛Σ𝑋𝑖 2 − (Σ𝑋𝑖 )2

24(1672.709)−(300)(113.7387
=
24(4900)−(300)2

40145.03−34121.61
=
117600−90000

6023.42
=
27600

= 0.2182398

𝑏 = 0.605007

Σ log 𝑌 Σ X𝑖
−log 𝑎 = + (− log 𝑏) ( )
𝑛 𝑛
113.7387
= − 0.2182398(12.5)
24

= 4.7391 − 2.727

= 2.0111137

𝑎 = 0.00974

Jadi, log 𝑌 = − log 𝑎 − log 𝑏𝑋

= 2.011137 + 0.2182𝑋

Aplikasi SPSS

Ketik X dan Y pada kolom Name, dan ketik Bulan dan Keuntungan pada kolom
Label, lalu klik Data View,

Salin data pada Tabel diatas, seperti tampak pada Gambar berikut
Sebelum menentukan persamaan garis regresi sebaiknya kita buat dulu menyebaran
datanya dalam scatterplot.

Graph
Dalam plot di atas diketahui bahwa model regresi yang diperoleh tidak berbentuk
linier akan tetapi berbentuk non linier yaitu Logistik.

kita menggunakan Curve Estimation untuk menganalisis regresi ini tapi sebelumnya
salin dulu datanya seperti gambar berikut
Klik Analyze, pilih Regression ►klik Curve Estimation, maka muncul Gambar:
Klik Keuntungan [Y] pindahkan dengan tanda ►ke Dependent(s) dan klik juga Bulan
[X] pindahkan dengan tanda ►ke Variabel, lalu klik atau tandai kotak Logisitic dan
kotak Disply ANOVA table, lalu klok OK, maka diperoleh hasil sebagai berikut :

Curve Fit

Logistic

Model Summary

R R Square Adjusted R Std. Error of the

Square Estimate

1.000 .999 .999 .085

The independent variable is Bulan.

ANOVA

Sum of Squares df Mean Square F Sig.

Regression 290.401 1 290.401 40524.364 .000

Residual .158 22 .007
Total 290.558 23

The independent variable is Bulan.

Coefficients

Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

Bulan .605 .002 .368 400.598 .000

(Constant) .010 .000 28.036 .000

The dependent variable is ln(1 / Keuntungan).

 E. MODEL HIPERBOLA

Perkiraan persamaan umum yang sederhana untuk model hiperbola ini dapat
dituliskan dalam bentuk:

1
Ŷ=
𝑎 + bX

atau jika tidak ada Ŷ berharap nol dapat ditulis menjadi:

1
= a + bX
Ŷ
1
yang ternyata merupakan bentuk linier dalam variable-variabel X dan 𝑌⃒

contoh:

Toko Maju Makmur pada hari pertama pembukaan memiliki jumlah pengunjung
yang berbeda pada setiap menitnya. Pada menit-menit pertama pembukaan,
terdapat banyak pengunjung yang tertarik untuk melihat-lihat dan membeli di
toko tersebut. Data pengunjung diberikan sebagai berikut:

X = menit setelah toko dibuka

Y = jumlah pengunjung toko

X Y
20 150
35 125
60 105
100 100
150 92
300 97
500 97
800 62
1200 58
1300 40
1500 38
 1600 35
Nilai-nilai yang diperlukan untuk mencari parameter adalah sebagai berikut:

X Y 1/y x^2 x.1/y

20 150 0.006667 400 0.133333
35 125 0.008 1225 0.28
60 105 0.009524 3600 0.571429
100 100 0.01 10000 1
150 92 0.01087 22500 1.630435
300 97 0.010309 90000 3.092784
500 97 0.010309 250000 5.154639
800 62 0.016129 640000 12.90323
1200 58 0.017241 1440000 20.68966
1300 40 0.025 1690000 32.5
1500 38 0.026316 2250000 39.47368
1600 35 0.028571 2560000 45.71429
jumlah 7565 - 0.178936 8957725 163.1435

diperoleh Σ𝑋 = 7565,

Σ𝑋 2 = 8957725,

1
Σ = 0.178936,
𝑌

1
Σ𝑋. = 163.1435
𝑌

sehingga didapat:

1 1
(Σ 𝑌 )(Σ𝑋 2 ) − (Σ𝑋)(Σ𝑋. 𝑌)
𝑎=
𝑛(Σ𝑋 2 ) − (Σ𝑋)2

(0.178936)( 8957725) − (7565)(163.1435)

=
12(8957725) − (7565)2
 368681.2
=
50263475

= 0.007335

1 1
𝑛 (Σ𝑋. 𝑌) − (Σ𝑋) (Σ 𝑌 )
𝑏=
𝑛(Σ𝑋 2 ) − (Σ𝑋)2

(12)(163.1435 ) − (7565)(0.178936)
=
12(8957725) − (7565)2
604.06516
=
50263475
= 0.000012
Jadi persamaan regresi model hiperbola dari data di atas adalah
1
Ŷ=
0.007335 + 0.000012𝑋

aplikasi SPSS

pertama-tama kita ubah Y menjadi 1/Y sebagai bentuk linear dari model hiperbola

Kemudian, Klik Analyze, pilih Regression ►klik Linear, maka muncul Gambar
Klik OK maka diperoleh hasil sebagai berikut

Regression

Model Summary

Model R R Square Adjusted R Std. Error of the

Square Estimate

1 .963a .927 .919 .0021899

a. Predictors: (Constant), X

ANOVAa

Model Sum of Squares df Mean Square F Sig.

Regression .001 1 .001 126.151 .000b

1 Residual .000 10 .000

Total .001 11

a. Dependent Variable: Y1
b. Predictors: (Constant), X

Coefficientsa

Model Unstandardized Coefficients Standardized t Sig.

Coefficients

B Std. Error Beta

1 (Constant) .007 .001 7.934 .000

 X 1.202E-005 .000 .963 11.232 .000

a. Dependent Variable: Y1

Data di atas dianalisis dengan regresi model hiperbola yang ditransformasi

menjadi bentuk linier.
 DAFTAR PUSTAKA

Tiro, Arif. 2010. Analisis Kolerasi dan Regresi. Makassar: Andira

Publisher
Sudjana. 2005. Metoda Statistika Edisi ke-6. Bandung: Penerbit
Tarsito
Sudjana.1997. Statistika untuk Ekonomi dan Niaga.Bandung: Penerbit
Tarsito
Sudjana. 1983. Teknik Regresi dan Kolerasi. Bandung : Penerbit
Tarsito
Sudjana. 2002. Desain dan Analisis Eksperimen. Bandung: Penerbit
Tarsito
Sarwono, Jonathan. 2013. Model-Model Linier dan Non Linier dalam
IBM SPSS 21. Jakarta: Elex Media Komputindo
Sarwono, Jonathan. 2013. Jurus Ampuh SPSS untuk Riset Skripsi.
Jakarta: Elex Media Komputindo